Time-Series-Library项目中TimesNet模型的FFT输入维度解析

TimesNet模型中的FFT处理机制

TimesNet作为Time-Series-Library项目中的核心时序预测模型，其创新性地将快速傅里叶变换(FFT)应用于时间序列分析。在模型实现过程中，FFT输入维度的处理是一个关键环节。

输入数据的维度结构

在TimesNet模型中，原始输入数据经过预处理后会形成几个关键张量：

• batch_x: 形状为[64, 96, 7]，表示64个样本，每个样本包含96个时间步，每个时间步有7个特征
• batch_y: 形状为[64, 144, 7]，包含预测目标值
• batch_x_mark和batch_y_mark: 分别对应输入和输出的时间标记

FFT处理的输入来源

FFT_for_Period函数接收的输入x并非直接来自原始数据，而是经过以下处理流程：

1. 数据首先通过DataEmbedding层进行嵌入处理
2. 经过多个网络层的变换后，张量维度变为[64, 144, 128]
3. 这个变换后的张量才是FFT处理的真正输入

维度解析

FFT输入x的维度[B, T, C]具体含义为：

• B=64：批量大小，保持与原始输入一致
• T=144：时间维度，是seq_len(96)和pred_len(48)的组合
• C=128：特征维度，由原始特征经过嵌入层扩展而来

技术实现细节

TimesNet模型通过将历史序列长度(seq_len)和预测长度(pred_len)合并，为FFT分析提供了更全面的时间上下文。这种设计使得模型能够同时捕捉历史模式和未来趋势的周期性特征，是TimesNet能够取得优异预测性能的关键因素之一。

在具体实现上，模型通过堆叠多个TimesBlock构建深度网络结构，每个TimesBlock内部都包含FFT分析步骤，从而实现了多层次、多尺度的时序特征提取。